1,721,004 research outputs found
Peramalan Loss Of Life Tranformator Berdasarkan Loading dan Temperature Menggunakan LSTM di Gardu Induk 150KV Buduran
No full textTransformator ialah peralatan penting pada Gardu Induk yang mempunyai tugas penting seperti menstransformasikan tegangan, menyesuaikan arus, dan mempertahankan kualitas daya, namun seiring dengan waktu faktor-faktor seperti kenaikan temperatur operasi, kondisi pembebanan dan jadwal pemeliharaan dapat mempengaruhi kinerja transformator dan menyebabkan loss of life transformator. Pada penelitian ini bertujuan untuk membahas tentang metode Deep Learning-(Long Short Term Memory) LSTM untuk peramalan loss of life dengan efektif dan akurat. Metode LSTM yaitu jaringan saraf yang dalam dan informasi yang dikirimkan adalah aliran informasi yang berisi memori historis. Sumber data yang diterapkan penelitian ini dari transformator 6 di Gardu Induk 150 kV Buduran yang meliputi data beban dan temperatur minyak tahun 2021 dan 2022. Pengukuran kinerja LSTM dilakukan melalui Mean Squared Error (MSE) serta Root Mean Squared Error (RMSE). Hasil peramalan menunjukkan bahwa metode LSTM memiliki kinerja yang baik, dengan nilai MSE terbilang 0,0002 dan RMSE terbilang 0,014. Melalui metode ini, peramalan loss of life transformator untuk tahun 2023 diperoleh sebesar 17,89% atau setara dengan 0,1789 pu. Hasil studi ini menunjukkan bahwa metode LSTM dapat menghasilkan peramalan yang akurat dalam memprediksi loss of life transformator. Tingkat loss of life transformator tidak selalu konsisten setiap tahunnya, karena dipengaruhi oleh faktor-faktor seperti pembebanan, temperatur minyak, kondisi lingkungan, dan perawatan. Penelitian ini memberikan kontribusi penting dalam bidang perawatan transformator dengan menggunakan metode peramalan yang canggih. Dengan memperoleh perkiraan yang akurat tentang loss of life transformator, operator Gardu Induk 150 kV Buduran dapat merencanakan pemeliharaan secara lebih efisien
Peramalan Daya Listrik Jangka Sangat Pendek pada Pembangkit Fotovoltaik (PV) Menggunakan Metode Deep Learning-Long Short Term Memory (LSTM)
Full text linkPembangkit listrik fotovoltaik (PV) menjadi salah satu solusi untuk mengatasi masalah kelangkaan energi dan mengurangi emisi gas rumah kaca. Metode prediksi untuk meramalkan daya output pada pembangkit PV secara akurat telah menjadi alat penting untuk memecahkan perencanaan PV dan masalah pemodelan, yang dapat mengurangi dampak negatif pada seluruh sistem tenaga dan meningkatkan stabilitas sistem. Tujuan dari penggunaan metode Deep Learning - LSTM dalam peramalan daya listrik batas waktu sangat pendek pada pembangkit fotovoltaik (PV) adalah untuk memperoleh informasi mengenai hasil peramalan daya listrik dalam waktu 2 jam setelahnya. Hasil penelitian ini menunjukkan pada percobaan pertama dengan nilai epoch 50 mendapatkan hasil akurasi peramalan pada Mean Squared Error (MSE) terbilang 0,0253. Pada percobaan kedua dengan nilai epoch 100 mendapatkan hasil akurasi peramalan sebesar 0,0210. Pada percobaan ketiga dengan nilai epoch 150 mendapatkan hasil akurasi peramalan sebesar 0,0190. Dapat disimpulkan bahwasannya semakin besar nilai epoch hasil akurasi peramalan semakin baik dan metode Deep Learning-LSTM ini cocok digunakan untuk memprediksi daya listrik pada pembangkit fotovoltaik karena dengan menggunakan metode ini bisa mendapatkan hasil akurasi peramalan yang kecil.
Kata kunci : Peramalan, Daya Listrik, Akurasi, Deep Learning, Long Short Term Memory (LSTM
Full text linkMemberikan kualitas daya yang optimal kepada konsumen akhir telah menjadi tantangan utama karena daya reaktif jaringan distribusi yang tinggi. Sebuah studi tentang sistem tenaga listrik menunjukkan bahwa relatif 13% dari seluruh listrik yang dihasilkan terbuang percuma sebagai rugi-rugi pada jaringan distribusi. Pemasangan kapasitor bank yang optimal merupakan salah satu solusi yang dapat menurunkan angka kerugian daya pada jaringan distribusi. Simulasi penyelesaian Optimal Capacitor Placement dengan menggunakan metode hybrid Newton Raphson - Neural Network yang di selesaikan secara komputerisasi pada software ETAP 12.6.0 dan Matlab R2013a dilakukan untuk mendapatkan hasil penurunan angka kerugian daya. Didapatkan sebuah hasil penurunan total rugi daya aktif sebesar 68.628 kW dan penurunan rugi daya reaktif sebesar 40.218 kVar, penurunan tersebut terjadi karena adanya pemasangan 36 buah kapasitor berkapasitas 50 kVar yang tersebar di 13 beban yang ada.
Kata Kunci: Rugi - Rugi Daya, Kapasitor, Newton Rapshon, Neural Network
Peramalan Daya Pembangkit Di PLTGU Gresik Berdasarkan Indeks Keandalan LOLP dan LOLE dengan Metode LSTM-NN
Full text linkPeramalan daya pembangkit merupakan proses memprediksi besaran daya yang akan dihasilkan oleh pembangkit listrik di masa yang akan datang. Peramalan daya pembangkit yang akurat sangat penting untuk mengoptimalkan operasi pembangkit listrik termasuk perancanaan produksi, perawatan dan perbaikan, pengaturan pengiriman daya, dan manajemen resiko. Namun seringkali terjadi hasil peramalan yang dilakukan memiliki tingkat keakuratan yang kurang. Oleh karena itu peneliti akan mencoba meramalkan daya pembangkit di PT. PLN Nusantara Power UP Gresik dengan tujuan agar mendapat hasil yang akurat. Metode yang akan digunakan adalah Deep Learning Long Short Term Memory (LSTM). Sementara untuk variabelnya adalah data historis daya, indeks keandalan Loss of Load Probability (LOLP), serta indeks keandalan Loss of Load Expectation (LOLE). Pada penelitian ini, peramalan yang dilakukan menghasilkan prediksi daya pembangkit untuk jangka waktu 6 jam kedepan. Hasil dari peramalan daya tersebut menghasilkan nilai MAE sebesar 0,0128 dan MSE sebesar 0,0004. Hal itu menunjukkan bahwa nilai Indeks Keandalan LOLP dan LOLE dapat digunakan sebagai input variabel bersama dengan data historis daya dalam meramalkan besarnya daya suatu pembangkit.
Kata Kunci: LSTM, Deep Learning, Forecasting, Pembangkit Listri
PERAMALAN RADIASI GLOBAL MATAHARI JANGKA PENDEK MENGGUNAKAN MODELTRIPLE EXPONENTIAL SMOOTHING-FEED FORWARD NEURAL NETWORK
Full text linkEnergi matahari merupakan salah satu dari sumber tenaga listrik yang tidak terbatas dan tersedia dalam jumlah besar. Matahari menghasilkan energi berupa radiasi yang mempunyai rentang panjang gelombang yang sangat besar (Tjasyono, 2004).Energi matahari memiliki pancaran radiasi matahari yang dapat digunakan sebagai energi alternatif. Pengaplikasiannya dapat berbentuk Photovoltaic. Penelitian ini membahas intensitas radiasi matahari di wilayah Unesa tepatnya pada daerah Fakultas Teknik. Penelitian ini diharapkan dapat mengetahui potensi energi matahari yang tersedia untuk digunakan dalam pemasangan Photovoltaic. Model untuk peramalan radiasi global matahari pada penelitian ini menggabungkan dari beberapa model. Pada penelitian yang telah dilakukan sebelumnya oleh Soumyabrata Dev., dkk (2018) hanya menggunakan satu model yaitu model Triple Exponential Smoothing (TES) tetapi kebaharuan pada penelitian ini ialah peramalan radiasi global matahari menggunakan dua model Triple Exponential Smoothing dan Feed Forward Neural Network serta menggunakan data meteorologi. Hasil penelitian peramalan radiasi global matahari jangka pendek denganmodelTriple Exponential Smoothing-Feed Forward Neural Network (TES-FFNN) menunjukkan bahwa tingakat keakurasian dari peramalan radiasi menggunakan modelMean Absolute Percentage Error (MAPE) sebesar 0,2012% pada model TES-FFNN dan 0,2703% pada model TES. Dapat disimpulkan bahwa nilai peramalan radiasi global matahari dengan model TES-FFNN lebih baik daripada penelitian menggunakan model Triple Exponential Smoothing (TES) dalam meramalkan radiasi global matahri selama 1 hari.
Kata Kunci : Peramalan radiasi,Triple Exponential Smoothing, Feed Forward Neural Network, Mean SquaredError, Mean Absolute Percent Erro
ANALISIS INDEKS KEANDALAN PLTGU BLOK 1 PT. PJB UP GRESIK MENGGUNAKAN PERHITUNGAN TEOREMA BAYES DAN DECOMPOSISI LU
Full text linkPERAMALAN BEBAN LISTRIK JANGKA PENDEK MENGGUNAKAN METODE FUZZY MULTI-ATTRIBUTE DECISION MAKING DECOMPOSITION FEED FORWARD NEURAL NETWORK (FMADM-Dec-FFNN)
Full text linkSeiring berjalannya waktu, energi listrik yang sekarang dapat dimanfaatkan merupakan kebutuhan pokok dalam kehidupan sehari-hari. Kebutuhan tenaga listrik digunakan dalam beberapa sektor, antara lain sektor rumah tangga, industri, usaha komersial, dan tempat layanan umum. Konsumsi listrik pada suatu rentang waktu tidak dapat dihitung secara pasti. Oleh karena itu, dilakukan permalan konsumsi energi listrik yang bertujuan menghindari kekurangan persediaan energi listrik. Pada penelitian ini digunakan metode hybrid fuzzy multi-attribute making decision decomposition Feed Forward Neural Netwok (FMADM-Dec-FFNN) selama satu minggu kedepan. menggunakan variable masukan yakni data beban aktual pada PLN area Surabaya barat, pelanggan golongan bisnis dan industri bulan November 2019 data dari BMKG. Dan mendapati hasil MSE sebesar 0.0000300489 untuk golongan bisnis dan 0.0009681912 untuk golongan industri pada pola 2 dan untuk pola 3 mendapat nilai MSE sebesar 0.0006187315 untuk golongan bisnis dan 0.0009176792 untuk golongan industri.
Kata Kunci: Peramalan Jangka Pendek, FMADM, Decomposition, Feed Forward Neural Network, Beban Listri
Pemodelan Pembangkit Listrik Tenaga Surya Off-Grid untuk Skala Rumah Tangga
Full text linkPemanfaatan energi baru terbarukan (EBT) seperti tenaga surya semakin penting dalam memenuhi permintaan kebutuhan energi, terutama pada daerah terpencil yang belum tersentuh jaringan listrik utama. Pembangkit Listrik Tenaga Surya (PLTS) Off-Grid merupakan salah satu solusi yang cocok untuk memenuhi kebutuhan listrik pada rumah sederhana di daerah tersebut. Skripsi ini menggunakan metode deskriptif yang melibatkan pengumpulan data peralatan utama sistem PLTS dan profil konsumsi energi rumah sederhana sebagai input untuk simulasi matematis. Model ini memperhitungkan faktor-faktor seperti kebutuhan energi listrik harian untuk menentukan ukuran optimal dari panel surya, baterai, dan sistem pengontrol yang diperlukan. Hasil penelitian menunjukkan bahwa rumah dengan kebutuhan harian sebesar 11700 Wh memerlukan total 12 unit panel surya berkapasitas 250 Wh yang dibagi dan dirangkai secara seri menjadi 3 array dengan masing-masing array berisi 4 unit panel surya dan 1 unit SCC MPPT. Masing-masing array dihubungkan ke 6 unit baterai dengan setiap spesifikasi tegangan 24 V kapasitas 200 ah. Baterai dihubungkan ke inverter spesifikasi tegangan 48 V dengan kapasitas 3500 W sebelum didistribusikan menuju beban listrik rumah tangga. Kesimpulan dari penelitian ini adalah penggunaan data beban per-hari dan spesifikasi peralatan PLTS sangat berpengaruh pada pemodelan PLTS yang didesain guna memenuhi kebutuhan listrik rumah tangga.
Kata Kunci: PLTS, Off-Grid, Rumah Tangga, Pemodelan
Pemodelan Hybrid Decomposition Neural Network Untuk Klasifikasi Gangguan Sistem Tenaga Listrik Pada Disturbance Fault Rrcorder (DFR)
Full text linkDisturbance Fault Recorder (DFR) adalah perangkat yang merekam kualitas daya dalam bentuk gelombang fasa yang memiliki variable berupa current (ampere) dan voltage (volt) pada saat pre fault, in fault, dan after fault. Perangkat ini banyak digunakan pada peralatan jaringan listrik untuk terus memantau peralatan jaringan listrik dan merekam kesalahan/ketidaknormalan yang terjadi.. Tujuan dari penelittian ini adalah memodelkan Hybrid Decomposition Neural Network untuk mengklasifikasi jenis gangguan sistem tenaga listrik pada Disturbance Fault Recorder (DFR). Metode dekomposisi digunakan untuk membagi masalah menjadi beberapa bagian yang lebih sederhana atau komponen yang lebih kecil, sedangkan jaringan saraf digunakan untuk mempelajari dan memodelkan hubungan antara komponen-komponen tersebut. Data yang digunakan merupakan data rekaman gangguan Disturbance Fault Recorder (DFR) yang diakses di PT. PLN UP2B Jawa Timur. Klasifikasi jenis gangguan yang dipakai hanya untuk gangguan eksternal yaitu gangguan oleh petir dan short circuit. Dengan mengguanakan 100 data training yang berupa 50 data gangguan petir dan 50 data gangguan short circuit mendapatkan Data training memiliki akurasi sebesar 0,83 dan nilai loss sebesar 0,46. Untuk data validasi, nilai loss pada iterasi pertama adalah 0,70 dan nilai loss adalah 1,97. Data pelatihan memiliki akurasi 1,0 dan nilai kerugian 0,004. Untuk data validasi sebesar 0,70 dan nilai loss sebesar 18,50 pada iterasi kelima. Untuk hasil testing mendapatkan akurasi pada data training sebesar 0.8000 dan loss pada data training 1.9730, akurasi pada data test adalah 0.8000 dan loss pada data test adalah 1.930. Hasil untuk pengujian pada record gangguan yang mengghunakan data acak dari rekaman DFR mendapakan probalilitas 1.0 untuk setiap kelasnya. Sehingga bias dikatakan bahwa moedel Hybrid Decomposition Neural Network cocok digunakan untuk menhgklasifikasi jenis ganguan pada hasil rekaman pada DFR.
Kata Kunci: DFR, Klasifikasi, Petir, Short Circuit, Dekomposisi
Pemodelan Peramalan Beban Jangka Pendek untuk Subsistem Krian Gresik Menggunakan Deep Learning LSTM-NN
Full text linkListrik seperti sudah menjadi kebutuhan primer bagi masyarakat di zaman ini. Pihak penyedia energi listrik harus mampu memastikan distribusi energi listrik berjalan maksimal dan sesuai kebutuhan. Sistem operasi yang baik dibutuhkan untuk menjaga performa tiap komponen sistem tenaga listrik dan sistem perencanaan yang baik dibutuhkan untuk alasan efisiensi daya bangkitan, salah satunya adalah kegiatan forecasting atau peramalan terhadap konsumsi beban. Kebaharuan penelitian ini yakni membuat sebuah pemodelan peramalan menggunakan metode Long Short Term Memory (LSTM) yaitu salah satu arsitektur pada Deep Learning untuk melakukan peramalan jangka pendek selama 1 hari ke depan pada subsistem Krian-Gresik. Dilakukan beberapa eksperimen dengan mengubah beberapa parameter diantaranya lags, epoch, dan batch yang kemudian mendapatkan hasil bahwasanya pada penelitian ini, peningkatan jumlah lags adalah yang paling mempengaruhi hasil prediksi. Kombinasi parameter terbaik untuk melakukan peramalan 1 hari ke depan adalah saat jumlah lags = 48, epoch = 250, dan batch = 256, dengan nilai akurasi MAPE = 3.67% dan RMSE = 69.36 serta grafik hasil prediksi yang mendekati pola dari data aktual. Model mampu menghasilkan prediksi yang baik dengan membaca pola dan hubungan pada data yang melibatkan 48 langkah sebelumnya.
Kata Kunci: LSTM, Deep Learning, Forecasting, Neural Network, Load
- …
